基于矩特征与概率神经网络的局部放电模式识别.pdf

《基于矩特征与概率神经网络的局部放电模式识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第44卷第3期电力系统保护与控制Vb1．44NO．32016年2月1日PowerSystemProtectionandControlFeb．1．2016D0I：10．7667／PSPC150708基于矩特征与概率神经网络的局部放电模式识别周沙，景亮(江苏大学电气信息工程学院，江苏镇江212013)摘要：局部放电信号检测时易受随机噪声干扰，会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度，提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电

2、类型的三维谱图中提取矩特征，然后，将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型，将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明，所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。关键词：局部放电；模式识别；局部放电相位分析；矩特征；概率神经网络Patternrecognitionofpartialdischargebasedonmomentfeaturesandprobabilisticneuralnet

3、workZHOUSha，JINGLiang(SchoolofElec~icandInformationEngineering，JiangsuUniversity，Zhenjiang212013，China)Abstract：Thedetectionofpartialdischarge(PD)signalisgenerallynoised．Itisbadfortherecognitionrateandvelocityofpartialdischargerecognition．Therecognize

4、rbasedonmomentfeatureandprobabilisticneuralnetwork(PNN)isproposedtoimprovetherecognitionrateandvelocityofpartialdischargerecognition．Themomentfeatureisextractedfromthethree-dimensionalspectraofPDsigna1．ThemomentfeatureisregardedastheinputofPNN．Then，th

5、epartialdischargerecognitionisdone．TheproposedrecognizeriscomparedtoBackPropagation(BP)neuralnetwork，Bayesianclassifierandextremelearningmachine(ELM)ontheneedle-planedischargeandtheball-planedischarge．Experimentresultsshowthattherecognitionofthepropos

6、edrecognizerbasedonmomentfeatureandPNNissatisfactory．ThisworkissupposedbyNationalNaturalScienceFoundationofChina(No．61304261)．Keywords：partialdischarge；pa~emrecognition；phase—resolvedpartialdischarge；moment—feature；probabilisticneuralnet、vorks量机l】等。其中

7、，神经网络由于具有很强的联想能0引言力、适应性以及自组织能力，使得它在广阔的领域电气设备在强电场的作用下会产生局部放电，获得了大量的应用和研究。人工神经网络的研究已长时间的局部放电累积会引起电气设备一系列物理经与模糊逻辑的研究相结合应用于放电类型识别以和化学反应，加速绝缘损坏过程，造成电气设备绝及放电点定位【2J。小波变换经常被应用于局部放电缘性能劣化。因此，对电气设备的局部放电状况进的特征量设计，这是由于小波变换能分析信号的时一行监测是电气设备保护和故障诊断的重要内容。局频结构，表征信号的局部正

8、则性，能够从极强的背部放电模式识别是局部放电状况监测的核心环节，景干扰中检测出微弱的局部放电信号，所以利用小它主要包括局部放电模式构造、特征量设计和识别波包与核主成分分析算法提取特征，引入二代小波器构造三个部分。与BP神经网络进行放电模式识别【]l也是目前应用近年来，有多种方法应用于局部放电(PD)模式与研究的热点。极限学习机(ELM)是一种新型的快识别，如神经网络、模糊逻辑、小波变换和支持向速学习算法，最大的特点就是相对于传统的神经网络，它的学习算法速度快得多。文献[6】将极限学